倾转双旋翼飞行器及其姿态控制方法与流程

1.本发明涉及无人机领域，尤其涉及一种倾转双旋翼飞行器及其姿态控制方法。


背景技术：

2.对于一个运动特性确定的飞行器来说，能参与控制的量越多，越容易得到好的控制效果。因此，旋翼越多，飞行器对于动力系统失效的容忍程度也会上升，反之，飞行器对矢量结构的控制比较麻烦，可靠性不高，容易发生故障甚至坠机。同时，旋翼越多，飞行器的效率和续航能力会变弱，飞行不够灵活，速度不够快。


技术实现要素：

3.本发明针对以上技术问题，提供一种倾转双旋翼飞行器及其姿态控制方法。
4.本发明所提出的技术方案如下：
5.本发明提出了一种倾转双旋翼飞行器，包括悬停囊体，飞控模块、遥控模块以及两套倾转旋翼组合结构；
6.所述倾转旋翼组合结构包括电机、可倾转地安装在悬停囊体上并与电机连接、用于倾转电机的舵机；所述电机上安装有螺旋桨；
7.飞控模块安装在悬停囊体上且与倾转旋翼组合结构电性连接、用于控制倾转旋翼组合结构工作；遥控模块与飞控模块通信连接，用于向飞控模块发出控制指令。
8.本发明上述的倾转双旋翼飞行器中，悬停囊体中填充有氦气或氢气。
9.本发明上述的倾转双旋翼飞行器中，悬停囊体呈球形，两套倾转旋翼组合结构分别挂载于悬停囊体赤道上，并以悬停囊体球心为对称点中心对称。
10.本发明还提出了一种如上所述倾转双旋翼飞行器的姿态控制方法，包括以下步骤：
11.步骤1、构建pid神经网络结构，该pid神经网络结构的网络层数为 3；pid神经网络结构的输入层节点采用倾转双旋翼飞行器的飞行姿态信息和姿态稳定性衡量值，pid神经网络结构的输出层节点采用倾转双旋翼飞行器的飞行控制参数；
12.步骤2、收集倾转双旋翼飞行器的历史飞行姿态信息以及对应的历史飞行控制参数和历史姿态稳定性衡量值，并输入到所述pid神经网络结构中进行训练，得到初步训练好的神经网络模型；
13.步骤3、通过初步训练好的神经网络模型对倾转双旋翼飞行器进行飞行控制，若发生倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值的偏差值超出预设pid控制阈值时，则采用倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值以及相应的飞行姿态信息对所述初步训练好的神经网络模型进行迭代学习训练，产生对应的飞行控制参数，并采用该飞行控制参数对倾转双旋翼飞行器进行飞行控制。
14.本发明上述的姿态控制方法中，所述采用倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值以及相应的飞行姿态信息对所述初步训练好的神经网络模型进行迭代学习训
练，产生对应的飞行控制参数，并采用该飞行控制参数对倾转双旋翼飞行器进行飞行控制包括：
15.步骤3.1、将对初步训练好的神经网络模型进行迭代学习训练所产生的飞行控制参数用于对倾转双旋翼飞行器的飞行控制，从而产生新的姿态稳定性衡量值实时反馈值；
16.若该新的姿态稳定性衡量值实时反馈值的偏差值没有超出预设pid控制阈值，则采用所述对初步训练好的神经网络模型进行迭代学习训练所产生的飞行控制参数对初步训练好的神经网络模型进行迭代更新；否则，撤回所述对初步训练好的神经网络模型进行迭代学习训练所产生的飞行控制参数。
17.本发明上述的姿态控制方法中，倾转双旋翼飞行器的飞行姿态信息包括地磁数据、陀螺仪数据、gps数据、气压计数据、旋翼角度数据、旋翼转速数据及飞行速度数据。
18.本发明上述的姿态控制方法中，倾转双旋翼飞行器的姿态稳定性衡量值包括倾转双旋翼飞行器的x轴偏移值、y轴偏移值以及z轴偏移值。
19.本发明的倾转双旋翼飞行器及其姿态控制方法创造性地采用可变倾斜角度的双旋翼技术，减少了对固定朝向旋翼的需求，用最少数量旋翼实现了多个自由度的移动转向，并采用悬停囊体使得整个倾转双旋翼飞行器获得静态升力为0的悬停能力，平衡了因采用两套倾转旋翼组合结构所带来的可靠性问题，避免了坠机的风险。
附图说明
20.图1示出了本发明优选实施例的倾转双旋翼飞行器的结构示意图。
具体实施方式
21.为了使得本发明的技术方案、技术目的以及技术效果更为清楚，以使得本领域技术人员能够理解和实施本发明，下面将结合附图及具体实施例对本发明做进一步详细的描述。
22.如图1所示，图1示出了本发明优选实施例的倾转双旋翼飞行器的结构示意图。倾转双旋翼飞行器包括悬停囊体10，飞控模块30、遥控模块40以及两套倾转旋翼组合结构20；
23.所述倾转旋翼组合结构20包括电机21、可倾转地安装在悬停囊体10上并与电机21连接、用于倾转电机21的舵机22；所述电机21上安装有螺旋桨；
24.飞控模块30安装在悬停囊体10上且与倾转旋翼组合结构20电性连接、用于控制倾转旋翼组合结构20工作；遥控模块40与飞控模块30通信连接，用于向飞控模块30发出控制指令。
25.在这里，悬停囊体10中填充有氦气或氢气，通过配重配平，使得整个倾转双旋翼飞行器获得静态升力为0的悬停能力，平衡了因采用两套倾转旋翼组合结构20所带来的可靠性问题，避免了坠机的风险。同时悬停囊体10 采用软性材料，可以为倾转双旋翼飞行器提供柔性保护。此外，本发明创造性地采用可变倾斜角度的双旋翼技术，减少了对固定朝向旋翼的需求，用最少数量旋翼实现了多个自由度的移动转向。
26.进一步地，倾转旋翼组合结构20是本发明的倾转双旋翼飞行器实现机动能力的动力来源。舵机22用于实现电机21的180度倾转。
27.当舵机22的齿轮居中时，电机21处于水平位置，产生垂直向下的推力；当舵机22齿
轮在前后各90度范围内倾转时，电机21相应倾转产生相应角度的矢量推力。
28.在本实施例中，悬停囊体10呈球形，两套倾转旋翼组合结构20分别挂载于悬停囊体10赤道上，并以悬停囊体10球心为对称点中心对称，悬停囊体10上则是球面中间相隔180度的位置镜像放置，这样通过控制两套倾转旋翼组合结构20的电机21推力以及两套倾转旋翼组合结构20的舵机22控制角度，可以产生相应的矢量合成推力，推动飞行机器人向上、向前、向后以及旋转移动。
29.通常悬停囊体10的重心都会偏向底部以使悬停囊体10在某个方向上保持垂直不变，而横向或者横滚操作需要两个电机21的产生推力差来完成，这会与悬停囊体10的垂直保持冲突，因此本发明的倾转双旋翼飞行器不支持横向或者横滚移动。在需要支持横滚或者横向移动的场景下，本发明的倾转双旋翼飞行器将通过添加一套或两套辅助旋翼结构来支持横向移动，但这会带来重量和成本的增加。
30.具体地，倾转旋翼组合结构20在悬停囊体10上的具体位置可根据实际需求、悬停囊体10形状和气动结构等因素作相应调整。
31.飞控模块30是本发明的倾转双旋翼飞行器中实现飞行和姿态控制的功能模块。飞控模块30主要包含主控单元、传感单元、通信单元、电源单元等。这些单元可集中或分散分布在悬停囊体10底部的一个或者多个吊舱中，从而使悬停囊体10整体重心偏低以保持悬停囊体10的垂直朝向不变。
32.主控单元通过控制算法输出信号控制两套倾转旋翼组合结构20的电机和舵机，从而控制倾转双旋翼飞行器本身的姿态和移动；传感单元用于监测倾转双旋翼飞行器在飞行过程中的各种飞行状态和参数，另外也可以新增附加传感单元实现其他功能，比如可根据需要增加定位模块等其他模块以实现自主飞行的能力；通信单元用于主控单元与遥控模块的通信；电源单元的大小容量可以根据整个倾转双旋翼飞行器的需求计算而进行配置。
33.主控单元的控制逻辑主要包括基于通用pid的基本飞行控制，结合基于机器学习的飞行姿态参数调整算法。
34.本发明的倾转双旋翼飞行器首先将基于通用pid控制理论得到的参数设置为基线，作为倾转双旋翼飞行器的原始参数。由于本发明的倾转双旋翼飞行器引入了悬停囊体这个大型气动构型，本发明的倾转双旋翼飞行器在尺寸、载荷等规格上产生了较大变化。另外，在实际飞行的环境中，风速风向对于倾转双旋翼飞行器来说产生的影响比传统的旋翼无人机要大。所以，当超出通用pid控制边界时，主控单元将启动调参数调整算法进一步优化参数设置。
35.本发明的倾转双旋翼飞行器通过机器学习算法，达到快速收敛整定pid 参数的目的，实现了悬停囊体悬停自稳、抗风能力的增强。但是不限于将飞行器的运动姿态目标状态直接映射到飞行控制量，用机器学习算法直接控制飞行。
36.本发明提出了一种基于上述倾转双旋翼飞行器的姿态控制方法，包括以下步骤：
37.步骤1、构建pid神经网络结构，该pid神经网络结构的网络层数为 3；pid神经网络结构的输入层节点采用倾转双旋翼飞行器的飞行姿态信息和姿态稳定性衡量值，pid神经网络结构的输出层节点采用倾转双旋翼飞行器的飞行控制参数；
38.在本步骤中，pid神经网络结构的隐含层节点的选取与输入层节点和输出层节点相关，pid神经网络结构各层加权系数为随机值。
39.在本步骤中，倾转双旋翼飞行器的飞行姿态信息包括但不限于地磁数据、陀螺仪数据、gps数据、气压计数据、旋翼角度数据、旋翼转速数据及飞行速度数据；
40.倾转双旋翼飞行器的姿态稳定性衡量值包括但不限于倾转双旋翼飞行器的x轴偏移值、y轴偏移值以及z轴偏移值；
41.倾转双旋翼飞行器的飞行控制参数包括但不限于倾转双旋翼飞行器进行俯仰、偏转姿态动作时的动作控制参数。
42.步骤2、收集倾转双旋翼飞行器的历史飞行姿态信息以及对应的历史飞行控制参数和历史姿态稳定性衡量值，并输入到所述pid神经网络结构中进行训练，得到初步训练好的神经网络模型；
43.步骤3、通过初步训练好的神经网络模型对倾转双旋翼飞行器进行飞行控制，若发生倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值的偏差值超出预设pid控制阈值时，则采用倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值以及相应的飞行姿态信息对所述初步训练好的神经网络模型进行迭代学习训练，产生对应的飞行控制参数，并采用该飞行控制参数对倾转双旋翼飞行器进行飞行控制。
44.在本步骤中，倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值的偏差值是指倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值相对于倾转双旋翼飞行器的姿态稳定性衡量值飞行控制预计值的偏差量。
45.倾转双旋翼飞行器的姿态稳定性衡量值飞行控制预计值是指当通过初步训练好的神经网络模型对倾转双旋翼飞行器进行飞行控制时与倾转双旋翼飞行器的飞行姿态信息相应的姿态稳定性衡量值。
46.所述采用倾转双旋翼飞行器的姿态稳定性衡量值实时反馈值以及相应的飞行姿态信息对所述初步训练好的神经网络模型进行迭代学习训练，产生对应的飞行控制参数，并采用该飞行控制参数对倾转双旋翼飞行器进行飞行控制包括：
47.步骤3.1、将对初步训练好的神经网络模型进行迭代学习训练所产生的飞行控制参数用于对倾转双旋翼飞行器的飞行控制，从而产生新的姿态稳定性衡量值实时反馈值；
48.若该新的姿态稳定性衡量值实时反馈值的偏差值没有超出预设pid控制阈值，则采用所述对初步训练好的神经网络模型进行迭代学习训练所产生的飞行控制参数对初步训练好的神经网络模型进行迭代更新；否则，撤回所述对初步训练好的神经网络模型进行迭代学习训练所产生的飞行控制参数。
49.上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。